我想知道正弦波的自相关图的意义。当时间滞后为0时,自相关值应为1,因为信号的拷贝与自身完全相关。根据这种逻辑,在一个等于信号周期的时间之后,相关性应该再次是最大的,因为移位信号再次是信号本身。然而,当我在python中绘制相关图时,我得到了一个函数,它不断增加,这与我的直觉相反,即相关函数应该是周期性的。有人能解释一下为什么自相关以图形的形式显示这种趋势吗?
import matplotlib.pyplot as plt
import numpy as np
time = np.arange(0, 10, 0.1);
y = np.sin(time)
result = np.correlate
我需要检查长度为7320的时间序列的二阶平稳性(我有1800个这样的时间序列)。这些时间序列是记录在一座山上1800个地点上的位移。我尝试在R:stationarity()中使用Priestley。对于1800年中的1个时间序列,我得到了以下值:
p-value for T : 2.109424e-15
p-value for I+R : 9.447661e-06
p-value for T+I+R : 1.4099e-10
你能告诉我怎么解释吗?我所知道的是,如果T的p值是0,时间序列平稳的零假设就会被拒绝。另外,在1800年的第二次时间序列中,我得到了这些值;
p-value for
我经常遇到同样的问题,即在建立定量交易模型时如何处理NA值。下面的示例是关于一只股票,该股票具有1997-01-01以来的EOD数据,存储在一个xts对象中,该对象有四个列,分别为"High“、"Low”、"Close“、"Volume”。数据来自彭博社。当我想要计算20天滚动成交量时,出现错误消息:
SMA(stock$Volume, 20)
Error in runSum(x, n) : Series contains non-leading NAs
我很快找到了问题所在(我知道这是NA值,因为我已经尝试了1000次),并找到了丢失卷数据的两天。我在下面